Metode Peramalan Deret WaktuSTK352 / 3(2-2)
YENNI ANGRAINI , M.SI
RAHMA ANISA, M.SI
Background
Background
Metode Peramalan Deret Waktu
Kode / SKS : STK352 / 3(2-2)
Deskripsi Mata Kuliah : Mata kuliah ini membahas tentangpengertian, ruang lingkup, karakteristik dataderet waktu, pemulusan data melalui MetodeRataan Bergerak (Moving Average),Eksponensial, Metode Winter. Selain itu matakuliah ini juga membahas Model Regresiuntuk Data Deret Waktu, serta pemodelandata deret waktu ARMA(p,q) melalui MetodeBox-Jenkins.
Mata Kuliah Prasyarat : Metode Statistika (STK211)
Tujuan Instruksional Umum
Mahasiswa akan mampu melakukan peramalan dengan menggunakan beberapa metode peramalan dan pemodelan ARMA(p,q).
Materi Perkuliahan
No Pokok BahasanPerkiraan Waktu
(menit)
Daftar
Kepustaka
an
1Pendahuluan 1 x 1: Bab 1
2Metode Pemulusan Rataan Bergerak Sederhana (RBS) dan Rataan
Bergerak Ganda (RBG)1 x 4: Bab 6
3Metode Pemulusan Eksponensial Sederhana 1 x 1: Bab 4
4Metode Pemulusan Eksponensial Ganda 1 x 1: Bab 4
5Metode Pemulusan Winter (Aditif) 1 x 1: Bab 4
6Metode Pemulusan Winter (Multiplikatif) 1 x 1: Bab 4
7Model Regresi untuk Data Deret Waktu (1) 1 x 4 : Bab 4
UTS
8Model Regresi untuk Data Deret Waktu (2) 1 x 4 : Bab 4
9Model Regresi untuk Data Deret Waktu (3) 1 x 4 : Bab 4
10Model Regresi dengan peubah lag 1 x 3 : Bab 2
dan Bab 3
11Pemodelan Data Deret Waktu Stasioner Berdasarkan Noise 1 x 2 : Bab 4
12Pengidentifikasian Model 1 x 2 : Bab 6
13Pendugaan Parameter Model, Diagnostik dan Peramalan (1) 1 x 2: Bab 7
dan Bab 8
14Pendugaan Parameter Model, Diagnostik dan Peramalan (2) 1 x 2: Bab 9
UAS
PUSTAKA
1. Montgomery, D.C., et.al. 2008. Forecasting Time Series Analysis 2nd. John Wiley
2. Cryer, J.D. and Chan, K.S. 2008. Time Series Analysis with Application in R. Springer
3. Abraham, B and Ledolter, J. 2005. Statistical Methods for Forecasting, John Wiley
4. Hyndman, R.J and Athanasopoulos, G. 2013. Forecasting: principles and practice online : https://www.otexts.org/fpp
Metode Peramalan Deret WaktuSTK352 / 3(2-2)
SKS MPDW - 3 (2-2)
Apa maksudnya 1 sks ?
Satu sks denganmetode kuliah meliputi 3 jam kegiatan per minggu dalam satu semester dengan perincian sebagai berikut :
◦ Kegiatan tatap muka terjadwal dengan dosen 50 menit
◦ Kegiatan akademik terstruktur (kegiatan studi tidak terjadwal tapi direncanakan, misalnya PR, mengerjakan soal-soal) 60 menit
◦ Kegiatan mandiri untuk mendalami materi 60 menit
Satu sks dengan metode praktikum di lab. Komputer perhitungan beban tugas untuk kegiatan di lab.komputer = beban tugas selama 2-4 jam x 60 menit per minggu per semester
Aturan Main
Toleransi 15 menit
Absen min 80 %
Pakaian Sopan dan Rapi
Pengguna kaos pendek/tanpa lengan dan ketat dilarang mengikuti perkuliahan
Pengguna sandal juga dilarang mengikuti perkuliahan
Wanita dan Pria duduknya terpisah
Komponen Penilaian
Nilai UTS : 40 %
Nilai UAS : 40%
Nilai Praktikum/Kuis/Tugas : 20%
Outline
Pentingnya peramalan yang baik
Berbagai metode peramalan (kualitatif dan kuantitatif)
Kriteria peramalan (MAD, MSE,MAPE, AIC)
Pengertian data deret waktu
Ruang lingkup analisis data deret waktu
Karakteristik data deret waktu
His
tory
Peramalan (Forecast)
Predict Vs
Forecast?
Peramalan
Peramalan Forcasting
Kegiatan untuk memperkirakan apa yang akan terjadi pada masa mendatang
Peramalan diperlukan dalam banyak situasi
Peramalan memegang peranan penting dalam perencanaan maupun dalam pengambilan keputusan
Baik tidaknya hasil suatu perencanaan dan keputusan sangat ditentukan oleh ketepatan ramalan yang dibuat
Suatu ramalan adalah tetap ramalan, dimana masih tetap mengandung unsur kesalahan
PENTING !!! untuk selalu berusaha memperkecil kesalahan dalam peramalan
PeramalanPeramalan merupakan masalah penting yang mencakup berbagai bidang :
Peramalan merupakan masalah penting yang mencakup berbagai bidang :
Peramalan
Forecasting biasanya dikategorikan menjadi tiga jenis :◦ short-term predicting events only a few time periods
(days, weeks, months) into the future
◦ medium-term forecasts extend from one to two years into the future
◦ long-term forecasting problems can extend beyond that by many years (strategic planning)
Forecasting Method
◦ Forecasting Method (Quantitative) : regression models , smoothing methods, Box-Jenkins ARIMA models , and a variety of other topics including dynamic regression models, neural networks, and vector autoregression.
◦ Forecasting Method (Qualitative) : “qualitative forecasting techniques relied on human judgments and intuition more than manipulation of past historical data,” atau metode yang hanyadidasarkan kepada penilaian dan intuisi, bukan kepada pengolahandata historis.
The accuracy of forecasts : MAD, MSE,MAPE, AIC
Mean Absolute Deviation (MAD)
Mean Square Error (MSE)
Mean Square Error (MSE)
Akaike Information Criterion (AIC)
The accuracy of forecasts : MAD, MSE,MAPE, AIC
Data Deret Waktu
“data yang diamati berdasarkan urutan waktu dengan rentang yang sama (jam,
hari, minggu, bulan, tahun, dsb)”
Misalnya : data ekspor gula tahunan, data nilai tukar rupiah harian, dsb.
Data deret waktu secara teoritis ditulis sebagai:
dimana
kkkt tzbtzbtzbx )()...()( 2211
k -keAcak Komponen
tpadak -keMatematik Fungsi)(
k-keParameter
k
k
k
tz
b
Karakteristik Data Deret Waktu
Secara garis besar, data DW dibedakan menjadi dua, yaitu
stasioner dan tidak stasioner
Dikatakan stasioner apabila data DW memiliki nilai tengah
(rataan) dan ragam (fluktuasi) yang konstan dari waktu ke
waktu
Contoh Data DW Stasioner
Sequence number
4946434037343128252219161310741
EK
SP
OR
8
7
6
5
4
3
2
1
0
Contoh Data DW Tidak Stasioner
Sequence number
46434037343128252219161310741
PR
OF
IT
10
0
-10
-20
-30
Pola Time Series Data
Secara garis besar pola data time series adalah:
Pola Data Horizontal
Terjadi bila data berfluktuasi di sekitar rata-rata
yang konstan.
Contoh: Data penjualan yang konstan
Pola Data Musiman
Terjadi bilamana suatu deret dipengaruhi oleh
faktor musiman (misalnya kuartal tahun tertentu,
bulanan, atau hari-hari pada minggu tertentu)
Contoh: Data produksi tanaman
Pola Time Series Data (contd)
Pola Data Siklis
Terjadi bila data dipengaruhi oleh fluktuasi
ekonomi jangka panjang seperti yang
berhubungan dengan siklus bisnis.
Contoh: Penjualan mobil
Pola Data Trend
Terjadi bilamana kenaikan atau penurunan
sekuler jangka panjang dalam data
Contoh: GNP
Pola Gabungan antara beberapa pola yang telah disebutkan diatas.
Contoh Pola-pola Data Time Series
Plot Deret Waktu
Time Series plot sangat penting untuk melihat pola data deret waktu yang akan kita analisa lebih lanjut.
Dibawah ini adalah contoh data deret waktu penjualan yang memiliki pola musiman.
Index
penj
ualan
70635649423528211471
18
16
14
12
10
8
6
4
2
0
Time Series Plot of penjualan
Ruang Lingkup Analisis Deret Waktu
Pemulusan
Pemodelan
Peramalan
Metode dalam Analisis Deret Waktu
ARIMA (Autoregressive Integrated Moving Average) padadasarnya menggunakan fungsi deret waktu, metode inimemerlukan pendekatan model identifikasi serta penaksiran awaldari paramaternya. Sebagai contoh: peramalan nilai tukar matauang asing, pergerakan nilai IHSG.
Regresi deret waktu, dapat menggunakan dummy variabel dalamformulasi matematisnya. Sebagai contoh: kemampuan dalammeramal sales suatu produk berdasarkan harganya.
Metode smoothing dipakai untuk mengurangi ketidakteraturandata yang bersifat musiman dengan cara membuat keseimbanganrata-rata dari data masa lampau.
Metode-metode lain…
Metode Pemulusan (Smoothing)
Rata-rata bergerak tunggal (single moving average) – utk data
stasioner
Rata-rata bergerak berganda (double moving average) – utk data
tidak stasioner
Pemulusan exponensial tunggal (single exponential smoothing) –
utk data stasioner
Pemulusan exponensial ganda (double exponential smoothing) –
utk data tidak stasioner
Pemulusan Metode Winter (Aditive dan Multiplicative)– utk data
yang ada faktor musiman
http://stat.ipb.ac.id/en
Top Related